1 # 1、导包
2 import paddle.fluid as fluid
3 import paddle
4 import time
5
6 start = time.time()
7
8
9 def test_program(exe, feeder, program, fetch_list, reader):
10 """
11 测试进程
12 :param exe:执行器
13 :param feeder: 数据与网络关系
14 :param program: 测试主进程
15 :param fetch_list: 需要执行之后返回的损失与准确率
16 :param reader: 测试reader
17 :return:
18 """
19 # 训练次数
20 count = 0
21 # 整个测试集的总损失
22 sum_loss = 0
23 # 整个训练集的准确率
24 sum_acc = 0
25 for test_data in reader():
26 test_avg_loss_value, test_acc_values = exe.run(
27 program=program, # 测试主进程
28 feed=feeder.feed(test_data), # 给测试喂数据
29 fetch_list=fetch_list # 需要执行之后返回的值
30 )
31
32 sum_loss += test_avg_loss_value
33 sum_acc += test_acc_values
34 count += 1
35 # 得到整个训练集的平均损失，与整个训练集的准确率
36 test_avg_loss = sum_loss / count
37 test_acc = sum_acc / count
38
39 return test_avg_loss, test_acc
40
41
42 # 2、数据处理---paddlepaddle 自带的mnist数据已经经过了数据处理
43
44 # 3、定义reader
45 # paddlepaddle给我们已经定义好了reader，只需要去调用
46
47 # 4、指定训练场所
48 place = fluid.CPUPlace()
49
50 # 5、配置网络
51 # 特征数据层
52 image = fluid.layers.data(name="image", shape=[1, 28, 28], append_batch_size=True, dtype="float64")
53 # 目标数据层
54 label = fluid.layers.data(name="label", shape=[1], append_batch_size=True, dtype="int64")
55 # 设计2个隐层 一个输出层 共3层的fc网络
56 h1 = fluid.layers.fc(input=image, size=128, name="h1", act="relu")
57 h2 = fluid.layers.fc(input=h1, size=64, name="h2", act="relu")
58
59 # 输出层
60 y_predict = fluid.layers.fc(input=h2, size=10, name="output_layer", act="softmax")
61
62 # 6、损失
63 # 交叉熵损失
64 loss = fluid.layers.cross_entropy(input=y_predict, label=label)
65 # 计算平均损失
66 avg_loss = fluid.layers.mean(loss)
67
68 # 计算准确率
69 acc = fluid.layers.accuracy(input=y_predict, label=label)
70
71 # 7、指定优化---sgd随机梯度下降优化算法
72 sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.1)
73 # 指定去优化损失
74 sgd_optimizer.minimize(avg_loss)
75
76 # 8、指定网络与数据层的关系
77 feeder = fluid.DataFeeder(feed_list=[image, label], place=place)
78
79 # 9、构建执行器
80 # 训练执行器
81 exe_train = fluid.Executor(place=place)
82 # 测试执行器
83 exe_test = fluid.Executor(place=place)
84
85 # 10、初始化网络参数
86 # 初始化参数进程
87 startup_program = fluid.default_startup_program()
88 exe_train.run(startup_program)
89 # 主进程
90 # 训练主进程
91 train_main_program = fluid.default_main_program()
92 # 测试主进程
93 test_main_program = train_main_program.clone(for_test=True)
94
95 # 11、获取图片数据
96 # 并不是直接拿到数据就往网络里面送
97 # 构建一个缓冲区，--打乱顺序，--再往网络里面送
98 # paddle.dataset.mnist.train() ----paddlepaddle的训练reader
99 # 缓冲区大小buf_size与批次大小batch_size 并没有多大的关系
100 # 一般设计的时候注意：buf_size 略微需要比batch_size 大一点就可以
101 # 而且batch_size 不能过大
102 # 训练reader 与测试reader 的batch_size数量必须一致
103 train_reader = paddle.batch(
104 paddle.reader.shuffle(paddle.dataset.mnist.train(), buf_size=50),
105 batch_size=10
106 )
107 test_reader = paddle.batch(
108 paddle.reader.shuffle(paddle.dataset.mnist.test(), buf_size=50),
109 batch_size=10
110 )
111
112 # 12、训练
113 # 指定训练轮数
114 loop_num = 2
115 # 定义的执行次数
116 step = 0
117
118 flag = False
119
120 for loop in range(loop_num):
121 print("第%d轮训练" % loop)
122 # train_data 每批次的数据
123 for train_data in train_reader():
124 # 执行器运行训练主进程
125 train_avg_loss_value, train_acc_value = exe_train.run(
126 program=train_main_program, # 训练主进程
127 feed=feeder.feed(train_data), # 利用数据层与网络构建好的关系，将真实的数据喂给网络
128 fetch_list=[avg_loss, acc] # 执行之后需要返回的结果的值
129 )
130 # 每隔10步来打印一下损失与准确率
131 if step % 10 == 0 and step != 0:
132 print("第%d次训练的损失为%f,准确率为%f" % (step, train_avg_loss_value, train_acc_value))
133
134 step += 1
135
136 # 每隔100步 去测试集中测试一下训练效果
137 if step % 100 == 0 and step != 0:
138 test_avg_loss, test_acc = test_program(exe_test,
139 feeder,
140 test_main_program,
141 fetch_list=[avg_loss, acc],
142 reader=test_reader
143 )
144 print("*" * 100)
145 print("测试集的损失为：%f,准确率为：%f" % (test_avg_loss, test_acc))
146 print("*" * 100)
147 if test_avg_loss <= 0.1 and test_acc >= 0.98:
148 flag = True
149 print("最终测试集的损失为：%f,准确率为：%f" % (test_avg_loss, test_acc))
150
151 end = time.time()
152 print("运行总时长为：", end - start)
153 break
154 if flag:
155 break
来源：https://www.cnblogs.com/Tree0108/p/12116318.html